枢纽停车场内部通道停车需求的新型解析方法：基于LSTM-SHAP-VAR的多维度研究

本文创新性地提出了一种针对枢纽停车场内部通道停车需求的分析框架，通过长短期记忆网络(LSTM)模型预测分类需求，结合沙普利加和解释(SHAP)方法解析特征贡献度，并运用向量自回归(VAR)模型揭示其与常规停车位的交互机制。研究为优化枢纽运营效率提供了数据驱动的管理策略，填补了网约车时代新型停车需求研究的空白。

　　

Highlight

本研究首次系统解析了枢纽停车场内部通道停车需求的复杂构成，通过分层聚类算法将其划分为A/B/C三类，并建立LSTM时序预测模型（最佳时间步长15分钟）。SHAP分析揭示不同类别需求的关键影响因素，VAR模型则发现内部通道与常规车位需求存在类内竞争机制，为动态调配停车资源提供理论依据。

Methods

研究方法分为三阶段：(1) 基于停车时长和进入次数的需求分类；(2) 采用LSTM模型（输入步长4）分类型预测需求，结合SHAP量化特征贡献；(3) 通过VAR模型解析两类停车需求的脉冲响应关系，特别关注列车班次等外生变量的调节作用。

Categorization of parking demand for internal access roads

内部通道停车需求通过K均值聚类划分为三类：A类（短时高频，占63.2%）、B类（中时中频，28.1%）和C类（长时低频，8.7%）。标准化处理后的特征均值显示，网约车在A类中占比达89%，而私家车主要集中于C类。

Conclusion

研究发现：(1) 15分钟时间间隔的LSTM模型预测精度最高（RMSE<3.5）；(2) SHAP值表明列车班次对A类需求影响最大（贡献度42.3%）；(3) VAR格兰杰检验证实两类需求在同类间存在显著竞争（p<0.01），建议通过动态定价等外部干预实现供需平衡。